L’IA n’est pas simplement arrivée ici. Nous avons cultivé le terreau dans lequel elle a pris racine.
Cultiver des racines profondes quand les saisons changent
Aujourd’hui, lorsque vous ouvrez votre téléphone, faites une recherche en ligne ou aidez vos enfants à faire leurs devoirs, l’intelligence artificielle, ou IA, semble être partout. Pourtant, les puissants outils qui transforment notre monde ne sont pas apparus de nulle part. Leur véritable histoire est une source de fierté pour toute la population canadienne : ils ont été créés ici même, chez nous.
Le rêve de l’IA a commencé dans les années 1950, lorsque des scientifiques se sont demandé pour la première fois si les machines pouvaient penser comme les humains. Les premiers chercheurs ont créé des programmes simples pour résoudre des problèmes de mathématiques et de logique élémentaires. Cependant, les problèmes du monde réel se sont révélés trop complexes pour les premiers ordinateurs. Dans les années 1970 et 1980, l’enthousiasme mondial s’est essoufflé, le financement s’est tari et la plupart des pays ont abandonné ce domaine. Les scientifiques ont appelé cette période calme « l’hiver de l’IA ».
Alors que le reste du monde abandonnait, le Canada a choisi de croire aux grandes idées.
Dans les années 1980, un groupe de recherche canadien appelé CIFAR (l’Institut canadien de recherches avancées) et le CRSNG (Conseil de recherches en sciences naturelles et en génie) ont fait un choix courageux. Le CIFAR a accordé à un petit groupe de scientifiques visionnaires de Montréal et de Toronto les premiers fonds consacrés à l’intelligence artificielle, à la robotique et à la société. Le CRSNG a financé des scientifiques ambitieux partout au pays, spécialisés en informatique et en sciences de l’information. Les deux programmes ont offert aux scientifiques le financement et le temps nécessaires pour poursuivre leurs expérimentations. Alors que les critiques affirmaient que l’IA était une impasse, les chercheurs canadiens ont passé des décennies à développer patiemment la science derrière les réseaux neuronaux artificiels et les systèmes d’apprentissage.
Puis est venu le tournant. Vers 2012, les ordinateurs sont enfin devenus assez rapides pour libérer le potentiel des idées canadiennes. Soudain, les mathématiques que les scientifiques canadiens perfectionnaient depuis 30 ans ont alimenté certaines des plus grandes percées technologiques de l’histoire. Les ordinateurs pouvaient désormais reconnaître des images, traduire des langues et apprendre par essais et erreurs mieux que quiconque ne l’aurait cru possible.
Le monde entier a pris note de l’excellence canadienne. De grandes entreprises technologiques internationales sont venues au Canada pour collaborer avec nos spécialistes, ouvrir des centres de recherche dans nos villes et investir directement dans les talents canadiens.
En 2017, le Canada est de nouveau entré dans l’histoire en devenant le tout premier pays à lancer une stratégie nationale en matière d’IA.
Être un chef de file mondial en technologie s’accompagne d’une grande responsabilité. La population canadienne peut être fière d’avoir créé l’IA moderne, mais nous faisons aussi preuve de prudence et de discernement dans notre façon de l’utiliser au quotidien. Le véritable leadership canadien ne consiste pas seulement à créer des technologies rapides; il consiste à poser des questions difficiles, à travailler ensemble et à veiller à ce que les outils soient équitables, sûrs et utiles pour les gens. Aujourd’hui, alors que le monde fait face à de sérieuses préoccupations concernant la sécurité en ligne, la protection de la vie privée et la confiance, la population canadienne propose des solutions. Grâce à des initiatives comme l’Institut canadien de la sécurité de l’IA, des spécialistes canadiens dirigent les efforts internationaux visant à établir des garde-fous, à faire progresser la science de la confiance et à veiller à ce que la technologie serve l’humanité en toute sécurité.
En restant informée, critique et collaborative, la population canadienne montre au monde comment diriger avec des valeurs lorsque cela compte le plus.
Ce qui a commencé comme un pari discret et courageux pendant « l’hiver de l’IA » a transformé le Canada en chef de file mondial des technologies d’IA. C’est une histoire remarquable de patience, de vision et de fierté nationale, qui prouve que lorsque le Canada investit dans de grandes idées, nos scientifiques peuvent contribuer à façonner un monde meilleur.
Moments clés de l’histoire de l’IA canadienne
1983
La bouée de sauvetage de CIFAR
Lorsque les financements mondiaux se sont taris pendant l’« hiver de l’IA », un groupe canadien appelé CIFAR est intervenu. CIFAR a donné aux scientifiques canadiens les fonds et le temps nécessaires pour poursuivre leurs expériences alors que le reste du monde abandonnait.1986
Apprendre de ses erreurs (rétropropagation)
Geoffrey Hinton a contribué à la rédaction d’un article célèbre montrant comment les ordinateurs peuvent apprendre de leurs erreurs. Cette approche mathématique a jeté les bases de l’IA moderne.2002
Faire de l’Alberta une puissance de l’AR
Le gouvernement de l’Alberta a investi des millions pour recruter des scientifiques de premier plan comme Rich Sutton, pionnier de l’« apprentissage par renforcement ». Ce financement a permis de créer le premier grand centre d’apprentissage automatique de la province, faisant d’Edmonton un chef de file mondial de l’enseignement à l’IA à apprendre par essais et erreurs.2004
Learning in Machines & Brains de CIFAR
CIFAR et Geoffrey Hinton créent un nouveau groupe de recherche en IA. Appelé Learning in Machines and Brains, il existe toujours aujourd’hui.2007
Résolution du jeu de dames (Chinook)
Jonathan Schaeffer et son équipe de l’Université de l’Alberta ont prouvé que les ordinateurs pouvaient maîtriser des jeux pratiqués par les humains. Après 18 ans de travail, leur programme a officiellement « résolu » le jeu de dames en démontrant que deux joueurs parfaits feront toujours match nul.2009
Un test pour entraîner l’IA (CIFAR-10)
Des chercheurs ont partagé une immense collection de 60 000 petites images de choses du quotidien, comme des chats, des chiens et des voitures. Les scientifiques du monde entier ont ainsi disposé d’un excellent « test » pour entraîner leurs programmes informatiques et déterminer quelle IA reconnaissait le mieux les images.2012
Reconnaissance d’images (AlexNet)
Geoffrey Hinton et son équipe ont créé une IA appelée AlexNet. Elle a surpris le monde de la technologie en reconnaissant les images mieux que tous les programmes précédents, lançant l’essor mondial actuel de l’IA.2014
Création d’art généré par IA et de fausses photos (GAN)
Alors qu’il étudiait à Montréal, le chercheur Ian Goodfellow a mis au point une méthode qui oppose deux programmes d’IA : l’un crée de fausses images, tandis que l’autre tente de les repérer. Cette avancée a permis à l’IA de générer des œuvres d’art, des visages et des médias numériques réalistes.2015
Maîtriser le poker (Cepheus)
Michael Bowling et son équipe de l’Université de l’Alberta et d’Amii sont entrés dans l’histoire en « résolvant » une forme populaire de poker. Puisque le poker implique le bluff et des cartes cachées, apprendre à l’IA à prendre des décisions éclairées sans voir la main de son adversaire a constitué une avancée majeure.2016
AlphaGo bat le champion du monde de go
Lorsqu’une IA a battu le champion du monde au jeu de stratégie ancestral qu’est le go, le monde entier a été stupéfait. Le chercheur principal du projet, David Silver, a obtenu son doctorat en informatique à l’Université de l’Alberta, en s’appuyant directement sur la recherche canadienne.2017
Doter l’IA d’une « intuition » (DeepStack)
Des chercheurs de l’Université de l’Alberta et d’Amii ont mis au point DeepStack, le premier programme à battre des joueurs professionnels au poker sans limite. Il y est parvenu en dotant l’ordinateur d’une version mathématique de l’intuition pour gérer l’incertitude et le bluff.2017
Imitation de voix humaines (Lyrebird)
Des chercheurs de Montréal ont créé une technologie qui permettait aux ordinateurs d’imiter une voix humaine à partir de quelques secondes seulement de parole enregistrée. Cette avancée a ouvert la voie aux générateurs de voix modernes par IA.2017
The AI Brain Paper (Attention Is All You Need)
Des scientifiques ont publié un article présentant l’architecture des transformateurs, conçue notamment par le chercheur canadien Aidan Gomez. Cette idée est devenue le moteur des agents conversationnels et des outils d’écriture par IA actuels.2017
Première stratégie nationale en IA au monde
Le Canada est devenu le premier pays à élaborer une stratégie nationale en IA. Dirigée par CIFAR, cette initiative a permis de créer trois grands pôles de recherche : Amii à Edmonton, Mila à Montréal et le Vector Institute à Toronto.2017
Des géants de la technologie choisissent des Canadiennes à leur tête
Des entreprises technologiques mondiales ont choisi des Canadiennes pour diriger leurs nouveaux laboratoires de recherche à Montréal. Joelle Pineau a été choisie pour diriger le laboratoire d’IA de Meta, tandis que Doina Precup a été choisie pour diriger le laboratoire montréalais de Google DeepMind.2018
Faire progresser la vision par IA à Toronto
Sanja Fidler, cofondatrice du Vector Institute, est devenue vice-présidente chez NVIDIA. À Toronto, elle a constitué une équipe spécialisée dans l’apprentissage des ordinateurs à « voir » et à comprendre les photos et les vidéos.2019
Article « The Bitter Lesson »
Rich Sutton, pionnier d’Amii, a publié un essai célèbre montrant que la meilleure façon de rendre l’IA intelligente n’est pas de tenter de lui enseigner des règles ou des raccourcis humains. Au contraire, laisser l’IA apprendre par elle-même grâce à une énorme puissance de calcul finit toujours par l’emporter.2019
Victoire pour l’apprentissage profond
Yoshua Bengio (Mila) et Geoffrey Hinton (Vector Institute) ont remporté le prix Turing — le « prix Nobel de l’informatique » — pour leurs travaux visant à concevoir des systèmes informatiques inspirés du cerveau humain.2019
Veiller à l’intégrité scientifique
Joelle Pineau a créé une simple liste de contrôle pour les chercheuses et chercheurs en IA. Elle est devenue une norme mondiale exigeant que les scientifiques partagent leur code afin que d’autres puissent tester et vérifier leurs résultats.2019
Le champion canadien de l’IA à l’échelle mondiale (Cohere)
Des chercheurs canadiens ont fondé Cohere à Toronto afin de développer de grands modèles de langage (GML), de l’IA générative et des outils agentiques. Le Canada est ainsi devenu l’un des trois seuls pays à posséder une technologie de GML « souveraine ». Aujourd’hui, Cohere vend ses outils d’IA développés au Canada à de grandes entreprises et à des partenaires commerciaux internationaux du monde entier.2020
IA autochtone et intelligences abondantes
Des chercheurs dirigés par Jason Edward Lewis ont élaboré des approches de conception de l’IA fondées sur des perspectives autochtones. Avec l’appui initial de CIFAR, ils enseignent aux développeurs à créer des technologies qui respectent la nature, honorent les cultures locales et protègent les connaissances traditionnelles.2021
Camions autonomes sécuritaires (Waabi)
Raquel Urtasun, professeure à l’Université de Toronto, a fondé Waabi, une entreprise torontoise qui développe des logiciels intelligents pour les camions autonomes. Tirant son nom d’un mot ojibwé signifiant « elle a la vision », Waabi utilise des mondes virtuels hyperréalistes pour entraîner les camions en toute sécurité, hors des routes réelles.2024
Prix Nobel de physique
Geoffrey Hinton a remporté le prix Nobel de physique pour ses découvertes majeures qui permettent aux ordinateurs d’apprendre comme le cerveau humain.2024
Assurer la sécurité et la fiabilité de l’IA (Institut canadien sur la sécurité de l’IA)
Le Canada a créé un institut national chargé d’étudier les risques liés aux systèmes d’IA avancés, notamment les contenus truqués en ligne, la fraude et les cybermenaces. En réunissant des scientifiques de premier plan et des partenaires internationaux pour tester des logiciels et élaborer des règles de sécurité, l’institut vise à renforcer la confiance du public afin que les gens et les entreprises puissent adopter l’IA en toute sécurité.2025
Prix Turing pour l’IA fondée sur la pratique
Rich Sutton (Amii) a remporté le prix Turing pour avoir inventé « l’apprentissage par renforcement », une façon d’apprendre à l’IA par essais, erreurs et rétroaction.2026
Le Canada lance la stratégie AI for All
Le Canada a lancé un nouveau plan de plusieurs milliards de dollars appelé AI for All. Il vise à aider les entreprises de tous les secteurs à adopter l’IA de façon sécuritaire, à former les travailleurs, à protéger la vie privée et à mettre en place des superordinateurs publics partout au pays.
Un héritage de fierté et de progrès responsable
La place du Canada dans l’histoire de l’IA est une source de fierté pour l’ensemble de la population canadienne. Nous n’avons pas seulement créé des programmes plus rapides : nous avons favorisé une culture de patience, d’investissement public et de collaboration. En s’attaquant à de grandes questions, les scientifiques canadiens ont fait du Canada le berceau de l’IA moderne.
Le leadership du Canada veille à ce que les valeurs humaines demeurent au cœur de la technologie.
Un écosystème équilibré et interconnecté
Le leadership du Canada en IA repose sur un solide réseau d’organisations nationales qui travaillent de concert. De la découverte de nouvelles idées à la sécurité des outils numériques, ces groupes clés veillent à ce que notre pays développe des technologies qui profitent à tout le monde.
Les trois instituts nationaux d’IA du Canada — Amii à Edmonton, Mila à Montréal et le Vector Institute à Toronto — partagent une mission nationale essentielle. Ils poursuivent quatre grands objectifs : réaliser de nouvelles percées en IA, former des étudiantes et étudiants et attirer des chercheuses et chercheurs de calibre mondial afin de retenir les meilleurs talents au Canada, lancer des jeunes entreprises technologiques locales et aider les entreprises à apprendre à utiliser l’IA de façon responsable.
Ce mandat est important pour l’ensemble de la population canadienne, car il crée des emplois de qualité, stimule notre économie et garantit que les technologies sont développées ici même au pays pour répondre aux besoins des familles au quotidien.
Amii (Alberta Machine Intelligence Institute) — Edmonton, AB
Amii soutient la recherche de pointe en intelligence artificielle (IA) et en apprentissage automatique (AA). L’organisme aide à transformer de nouvelles découvertes scientifiques en technologies utilisables par les entreprises. Amii soutient la recherche, offre des cours de grande qualité et conseille des entreprises de toutes tailles. Son principal objectif est de faire sortir l’IA des laboratoires scientifiques pour l’intégrer au monde réel. Visitez amii.ca pour en savoir plus.
Mila — Montréal, QC
Mila est un institut de recherche de calibre mondial en intelligence artificielle (IA) établi à Montréal, au Québec. Créé par de grandes universités locales, Mila réunit plus de 1 500 chercheurs et chercheuses afin de façonner l’avenir de la technologie. L’institut se concentre sur la création d’une IA responsable, sûre et utile pour tout le monde. Mila travaille également avec les entreprises et les gouvernements pour stimuler de nouvelles inventions et aider les jeunes entreprises technologiques à croître. Visitez mila.ai pour en savoir plus.
Vector Institute — Toronto, ON
Le Vector Institute est un organisme indépendant sans but lucratif de Toronto, en Ontario, qui se concentre sur la recherche en intelligence artificielle (IA). Il met l’accent sur l’apprentissage automatique et l’apprentissage profond. Vector attire au Canada des chercheurs de premier plan du monde entier. L’organisme travaille avec les entreprises, les écoles et le gouvernement pour créer de nouvelles idées en IA et aider les gens à acquérir de nouvelles compétences. Visitez vectorinstitute.ai pour en savoir plus.
Canada’s AI Safety Institute (CAISI)
Canada’s AI Safety Institute (CAISI) a été créé pour veiller à ce que l’intelligence artificielle puissante demeure sûre, équitable et digne de confiance. Son mandat repose sur quatre objectifs clés : tester les outils d’IA les plus avancés au monde afin de détecter les risques cachés, créer des normes de sécurité claires, faire progresser la recherche sur la fiabilité et la sécurité de l’IA, et collaborer avec des partenaires internationaux pour établir des lignes directrices mondiales. Ce travail est important pour l’ensemble de la population canadienne, car il protège les familles, préserve notre démocratie et nous permet de faire confiance aux technologies qui façonnent notre vie quotidienne.
CIFAR (Canadian Institute for Advanced Research)
CIFAR est un organisme de recherche mondial qui s’attaque à de grandes questions complexes. Son travail essentiel se concentre sur quatre activités principales : réunir des scientifiques de premier plan issus de différents domaines, financer des idées scientifiques audacieuses et créatives, soutenir des chercheurs et chercheuses de talent dans les universités canadiennes et transformer les découvertes scientifiques en retombées concrètes. Ce travail est important pour l’ensemble de la population canadienne, car CIFAR donne aux scientifiques la liberté de réaliser des percées ici même, au pays—ce qui mène à de meilleurs soins de santé, à des technologies plus robustes et à de nouvelles possibilités pour tout le monde. Visitez cifar.ca pour en savoir plus.
Ensemble, ces organisations jouent un rôle important au sein d’un vaste écosystème canadien de l’IA qui comprend des entreprises, des universités et des organismes communautaires.
Réflexion sur la classe
À la une : Apprendre comme un écosystème (propulsé par Amii)
Du code rigide à l’adaptabilité organique
Les logiciels traditionnels sont rigides, construits comme du béton ou de l’acier et régis par des règles statiques écrites par des programmeurs. Les premières formes d’IA tentaient de mémoriser des décisions figées. Or, le monde réel, tout comme un écosystème vivant, est dynamique, imprévisible et en constante évolution.
Ce défi a été surmonté lorsque le Dr Richard Sutton, copionnier de l’apprentissage par renforcement (AR), lauréat du prix Turing et conseiller scientifique en chef d’Amii à Edmonton, a posé les fondements mathématiques permettant aux machines d’apprendre par l’action. Plutôt que de forcer un algorithme à mémoriser des réponses, le cadre novateur de Sutton a appris à l’IA à évoluer naturellement dans des environnements complexes : en agissant, en évaluant les résultats à l’aide de boucles de rétroaction et en s’adaptant continuellement au fil du temps. Cette avancée, soutenue par vingt ans d’excellence canadienne en recherche, constitue le moteur fondamental des systèmes agentiques et des modèles modernes de prise de décision d’aujourd’hui.
- Pourquoi c’est important pour l’enseignement : L’apprentissage par renforcement reflète l’écosystème naturel d’une salle de classe saine : essais, erreurs, réflexion et croissance. Comprendre que l’IA agentique apprend grâce à des boucles de rétroaction continues — plutôt qu’à l’intuition humaine — réduit l’intimidation liée à la technologie et donne aux éducateurs les bases nécessaires pour guider avec assurance les élèves dans leur façon d’interagir avec l’IA, de la remettre en question et de l’évaluer.
À la une : apprentissage profond et réseaux neuronaux (propulsé par Mila)
Les fondements de la perception machine
Pendant des décennies, les systèmes informatiques traditionnels ne pouvaient traiter que des chiffres bien rangés et des feuilles de calcul rigides. Ils se révélaient impuissants face aux nuances organiques et désordonnées du langage humain, aux notes manuscrites brouillonnes ou aux œuvres d’art complexes réalisées en classe.
Cela a changé lorsque des chercheurs comme Yoshua Bengio, cofondateur de Mila à Montréal et lauréat du prix Turing, ont ouvert la voie à l’apprentissage profond et aux réseaux de neurones artificiels. Inspirés par la façon dont les cerveaux biologiques développent des connexions neuronales interreliées, Bengio et son équipe ont contribué à créer des systèmes qui ne se contentent pas de suivre des instructions fixes : ils apprennent à reconnaître des motifs complexes, à traduire des langues, à interpréter des images et à comprendre le contexte derrière l’expression humaine.
- Pourquoi c’est important pour l’enseignement : Les réseaux neuronaux apprennent un peu comme un enfant qui apprend sa première langue — non pas en mémorisant un dictionnaire dès le premier jour, mais grâce à une exposition immersive, à un contexte riche et à la reconnaissance naturelle de motifs au fil du temps. Comprendre que l’IA « perçoit » au moyen de motifs superposés — plutôt que par une véritable pensée humaine — aide le personnel enseignant à apprendre aux élèves à évaluer de façon critique les résultats de l’IA afin d’y repérer les erreurs subtiles, les biais et les lacunes contextuelles.
En vedette : Fondements de l’IA et des modèles génératifs (propulsé par le Vector Institute)
Préparer le terrain pour l’IA générative
Bien avant que les outils génératifs puissent rédiger des dissertations, composer de la musique ou préparer des plans de leçon, les chercheurs ont dû répondre à une question fondamentale : comment un ordinateur peut-il générer quelque chose d’entièrement nouveau à partir de ce qu’il a observé ?
Geoffrey Hinton, largement reconnu comme l’un des « pères de l’IA », lauréat du prix Turing et conseiller au Vector Institute de Toronto, a consacré des décennies à bâtir les fondements mathématiques qui permettent aux algorithmes d’apprendre des représentations internes du monde. Ses travaux novateurs sur la rétropropagation et les machines de Boltzmann ont créé le terreau riche et fertile dont ont fini par émerger les grands modèles de langage (GML) et les outils génératifs d’aujourd’hui.
- Pourquoi c’est important pour l’enseignement : Les outils d’IA générative ne sont ni magiques ni conscients ; ce sont des moteurs de réflexion extrêmement sophistiqués, fondés sur des bases mathématiques développées ici même au Canada. Lorsque les éducateurs comprennent que les outils génératifs prédisent la « prochaine branche la plus probable de l’arbre » en fonction de leurs données d’entraînement, le mystère technologique s’estompe. Il laisse place à une supervision pédagogique concrète.
